文 献 综 述
1. 引言
1800年，著名的英国天文学家赫谢耳在研究太阳光谱时无意间发现了红外线的存在，敲开了人类认识世界一扇新的大门。在自然界中，一切物体都在源源不断地辐射红外线。而红外成像技术，就是利用红外传感器，接受物体发出或反射的红外辐射，对物体进行成像的技术。利用探测仪，我们可以将目标与背景的红外辐射进行区分，从而生成红外图像[1]。
目前，受到红外探测器本身性能的制约和大气条件等因素的影响，红外图像常常具有目标模糊、对比度低、噪声强烈的缺点，这些问题显著地影响着红外图像的质量，限制了红外图像的应用[2-4]。因此，对红外图像的进行增强，改善红外图像质量是一项十分重要且必须的工作。
一般而言，红外图像的增强可以从（1）提高红外成像设备性能（2）对已有的红外图像进行后期处理两方面考虑。由于前一种方式受到材料工艺等因素的影响，短期内不易取得突破。因此，利用图像处理技术增强红外图像是目前研究的主流方向[1]。
目前已经有许多学者进行了有关红外图像增强方向的研究。一些学者试图在传统图像处理方法的基础上进行改进，如Eman A. Donia等提出的基于视觉特性直方图匹配技术的红外图像增强方案[5]、胡窦明等学者提出的利用同态滤波增强红外图像细节的方案[6] ，也有一些学者从图像融合的角度考虑该问题 [7] 。近年，随着机器学习技术的成熟，一些学者尝试从机器学习的角度研究该问题，利用卷积神经网络的思想，从原有图像中分离目标和背景噪声，增强目标的同时削弱背景噪声，从而提升图像对比度[2-4]。
另一方面，一些学者认为图像的最终是由人眼进行观测的，要提升红外图像的质量，就必须考虑到人眼视觉特性对于红外图像效果的影响，因此从视觉特性的角度提出了许多改善红外图像质量的方法[1]。
本文将简要介绍典型的现有红外图像增强算法 ,同时对视觉特性领域的知识进行简要概述，并简要介绍两种基于视觉特性的红外图像增强算法。
2. 传统的红外图像增强方法
红外图像的增强一直是图像处理领域的热门话题。至今，已经有许多学者基于不同的思想提出了红外图像增强的算法。本部分将简要的介绍几类不同红外图像增强算法中的代表算法。
2.1基于直方图修正技术的红外图像增强算法
直方图技术是一项比较成熟的图像处理技术。由于其具有计算量小、效果明显且不需要除图像外其他信息的特点，在图像处理领域中有着广泛的应用。早在1993年，J Silvenman等学者就提出了利用直方图均衡化技术处理红外图像的想法[8,9]。由于红外图像常常具有灰度分布集中，且集中于低灰度段的特性。直方图均衡化的方法对于提升红外图像的对比度具有较好的效果。但是，在进行直方图均衡化时，常常也过度放大了图像中的噪声。因此，一些学者基于这一点提出了许多改良方案，如自适应直方图均衡化（AHE）[10] 等。目前，影响较为广泛的方法是对比度受限的自适应直方图均衡化方法(CLAHE) [11] 。这种方法在一定程度上解决了HE算法处理红外图像时过度放大噪声的问题。
2.2基于边缘增强技术的红外图像增强算法
许多红外图像的问题在于边缘模糊和细节丢失，为了解决红外图像中的这类问题，常常采用一些边缘细节增强的算法对其进行处理。这类算法共同的特点是通过增强红外图像的边缘信息使目标更容易识别且细节更为丰富，比较有代表性的算法是反锐化掩膜算法（UM）[2,6,12]。反锐化掩模算法是一种常见的增强图像边缘轮廓的方法，其大致思路是通过将原图像进行低通滤波后与原图像进行逐点做差的运算，得到原图像高频分量的图像，之后再将该做差结果乘上某个系数后与原图像进行叠加，从而增强图像轮廓。但是这类方法无法有效的抑制图像噪声，针对这一点A Polesel等学者提出了自适应反锐化掩模的方法 [12] ，一定程度上解决了放大噪声的问题。
